CN109412892B - 一种网络通信质量评估系统及方法 - Google Patents
一种网络通信质量评估系统及方法 Download PDFInfo
- Publication number
- CN109412892B CN109412892B CN201811236746.7A CN201811236746A CN109412892B CN 109412892 B CN109412892 B CN 109412892B CN 201811236746 A CN201811236746 A CN 201811236746A CN 109412892 B CN109412892 B CN 109412892B
- Authority
- CN
- China
- Prior art keywords
- network communication
- train
- communication quality
- data
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning, or like safety means along the route or between vehicles or vehicle trains
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明提供了一种网络通信质量评估系统及方法,系统包括:数据校验模块,对列车网络通信数据的有效性与准确性进行校验处理;数据预处理模块,对经过数据校验模块校验处理的列车网络通信数据进行空值或错误值去除处理;评估指标计算模块,根据数据预处理模块处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以生成网络通信质量评估指标数据;通信设备健康度预测模块,获取评估指标计算模块计算的前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备状态。本发明能解决列车网络发生故障时,列车无法通信,控制指令无法准时传达,严重时甚至影响列车安全运行的技术问题。
Description
技术领域
本发明涉及故障诊断技术领域,尤其是涉及一种应用于列车网络通信的质量评估系统及方法。
背景技术
我国地势辽阔,地貌丰富多样使得列车的运行环境和工况复杂多变,这也使得产品运行环境的恶劣性既无法模拟复现也无法量化评估。因此,通过基于列车运行数据提前预测列车产品的运行状态,为列车运行决策提供数据支撑实现智能化运营和维护,成为提高产品性能和保证列车安全的关键。
随着轨道交通市场的开放,产品成熟度的增加以及产品大量运用,降低产品维护成本已成为提高产品核心竞争力的重要手段之一。目前,轨道交通领域的售后服务主要还是采取委派专业的维修人员驻扎现场的模式来进行产品维护。这种售后服务模式不仅需要消耗大量的人力成本和时间成本,还非常依赖现场维修人员自身的专业素养。因此,如何迅速精准定位产品故障原因是降低产品维护的人力和时间成本的关键。更进一步来说,若能提前预知产品故障时间并告知维修人员有计划安排相应产品的检测或者提前准备备品更换产品,也是一种有效降低维护成本的手段。
而在轨道交通领域,如果把牵引变流器比作是列车的心脏,那么列车控制网络就是车的大脑。当列车网络发生故障时,将导致列车无法通信,控制指令无法准时传达,严重时甚至影响列车安全运行。因此,保证列车网络通信质量是至关重要的。然而,随着产品使用时间的增加其损耗程度也随之递增,其工作环境不一致使得维护人员无法准确获知何时应该维修或者更换产品,只能通过状态维修等常规检修方式来发掘产品损坏问题。此时,如果能提前预测网络通信状态及时更换故障部件,将极大程度的提高产品安全性,提高维护效率,降低维护成本。
目前,在现有技术中,还未发现有针对轨道交通领域,利用列车网络通信质量评估来提前预测网络通信状态的技术方案。
发明内容
有鉴于此,本发明的目的在于提供一种网络通信质量评估系统及方法,以解决现有列车网络发生故障时,导致列车无法通信,控制指令无法准时传达,严重时甚至影响列车安全运行的技术问题。
为了实现上述目的,本发明具体提供了一种网络通信质量评估系统的技术实现方案,网络通信质量评估系统,包括:
数据校验模块,对列车网络通信数据的有效性与准确性进行校验处理;
数据预处理模块,对经过所述数据校验模块校验处理的列车网络通信数据进行空值或错误值去除处理;
评估指标计算模块,根据所述数据预处理模块处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以生成网络通信质量评估指标数据;
通信设备健康度预测模块,获取所述评估指标计算模块计算的前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备的状态。
进一步的,所述评估指标计算模块计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率,并根据列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率计算网络通信质量值。根据故障时刻的网络通信质量值计算网络通信质量指标阈值,根据网络通信质量值,及网络通信质量指标阈值进行网络通信质量评估。当网络通信质量值大于网络通信质量指标阈值时,认为当前网络通信质量良好。当网络通信质量值小于或等于网络通信质量指标阈值时,认为当前网络通信质量差,影响列车网络正常通信。
进一步的,所述通信设备健康度预测模块将网络通信质量值与网络通信质量指标阈值进行比较,当网络通信质量值大于网络通信质量指标阈值时,计算下一时刻的网络通信质量值。当网络通信质量值小于或等于网络通信质量值时,利用训练好的故障预测模型预测是否有网络通信设备故障发生,并将预测的网络通信设备故障信息反馈至地面调度中心,当列车入库后安排列车的检修行程。
进一步的,所述通信设备健康度预测模块根据网络通信设备故障信息表确定各列车的网络通信设备故障分布情况,并依据故障对列车安全运行的影响程度确定故障等级。根据网络通信设备历史故障信息中提供的车型、车号、故障时间对相应列车运行数据进行标注,确定数据标签。以时间长度,重叠率为的方式进行滑窗处理,计算窗口内的网络通信质量评估指标数据的故障次数、平均错帧率、平均漏帧率、平均切VCM次数,并结合网络通信设备使用年限、列车运行路径、运行区间地貌、车外温度、湿度进行相关性分析,确定网络通信质量的相关影响因子。基于确定的影响因子,利用深度学习算法建立列车运行状态数据分类器,并记录网络通信设备的故障时间和故障类型。
进一步的,所述评估指标计算模块分别根据以下公式计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率:
其中,为故障次数,为错帧率,为平均错帧率,为漏帧率,为平均漏帧率,为平均切VCM次数,时间序列{}表示时刻的故障,为故障类型,时间序列{}表示某列车时刻的总帧数,时间序列{}表示列车时刻的错帧数,时间序列{}表示列车时刻的发送帧数,时间序列{}表示列车时刻的接受帧数,时间序列{}表示列车时刻的漏帧率,时间序列{}表示列车时刻的切VCM次数,为故障的种类,为历史数据覆盖的时间范围。
本发明还另外具体提供了一种网络通信质量评估方法的技术实现方案,网络通信质量评估方法,包括以下步骤:
S10)对列车网络通信数据的有效性与准确性进行校验处理;
S20)对经过校验处理的列车网络通信数据进行空值或错误值去除处理;
S30)根据经过空值或错误值去除处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以评估网络通信质量;
S40)根据前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备的状态。
进一步的,所述步骤S30)进一步包括以下过程:
S31)计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率;
进一步的,所述步骤S40)进一步包括以下过程:
S41)将步骤S32)计算的网络通信质量值与步骤S33)计算的网络通信质量指标阈值进行比较;当网络通信质量值大于网络通信质量指标阈值时,计算下一时刻的网络通信质量值;当网络通信质量值小于或等于网络通信质量值时,进入步骤S42);
S42)利用训练好的故障预测模型预测是否有网络通信设备故障发生;
S43)将步骤S42)预测的网络通信设备故障信息反馈至地面调度中心,当列车入库后安排列车的检修行程。
进一步的,所述步骤S42)进一步包括以下过程:
S421)根据网络通信设备故障信息表确定各列车的网络通信设备故障分布情况,并依据故障对列车安全运行的影响程度确定故障等级;
S422)根据网络通信设备历史故障信息中提供的车型、车号、故障时间对相应列车运行数据进行标注,确定数据标签;
S423)以时间长度,重叠率为的方式进行滑窗处理,计算窗口内的网络通信质量评估指标数据的故障次数、平均错帧率、平均漏帧率、平均切VCM次数,并结合网络通信设备使用年限、列车运行路径、运行区间地貌、车外温度、湿度进行相关性分析,确定网络通信质量的相关影响因子;
S425)按照步骤S423)~S424)为II类故障和III类故障建立分类器;
S426)根据步骤S424)~S425)中的结果进行汇总,并记录网络通信设备的故障时间和故障类型;
对发生频繁且对列车安全运行影响程度深的故障标为I类故障,对发生不频繁但对列车安全运行影响程度较深的故障标为II类故障,对列车安全运行影响程度不深的标为III类故障。
进一步的,所述步骤S31)中列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率分别根据以下公式计算:
其中,为故障次数,为错帧率,为平均错帧率,为漏帧率,为平均漏帧率,为平均切VCM次数,时间序列{}表示时刻的故障,为故障类型,时间序列{}表示某列车时刻的总帧数,时间序列{}表示列车时刻的错帧数,时间序列{}表示列车时刻的发送帧数,时间序列{}表示列车时刻的接受帧数,时间序列{}表示列车时刻的漏帧率,时间序列{}表示列车时刻的切VCM次数,为故障的种类,为历史数据覆盖的时间范围。
进一步的,所述步骤S33)进一步包括以下过程:
进一步的,所述步骤S34)进一步包括过程:
通过实施上述本发明提供的网络通信质量评估系统及方法的技术方案,具有如下有益效果:
(1)本发明引入网络通信质量评估指标的计算方式,通过大量数据验证,从故障次数、切VCM次数、错帧率、漏帧率等维度来度量网络通信质量情况,能够很好地对列车网络通信状态进行预测,因此能提前预测网络通信状态及时更换故障部件,极大程度地提高了产品的安全性,同时提高了维护效率,降低了维护成本;
(2)本发明引入加权求和计算来评估网络整体质量,同时引入网络通信质量评估指标来对网络通信质量进行衡量和判别并通过比较产品实际运行过程中网络通信质量指标与阈值的差值,确定当前时刻网络质量的优劣,进一步提高了列车网络通信状态预测的准确性;
(3)本发明利用滑窗的方式来计算网络通信指标,从而避免历史信息与当前信息之间相关性的丢失,最大限度地保证了时间序列信息的完整性;
(4)本发明利用深度学习方法XGBoost来进行分类预测,实现了智能化、自动化故障预测,与传统的通过个人经验和业务知识积累来确定部件的健康度或者故障发生后才获知部件健康度的技术方案相比,本发明以产品实际运行过程的数据作为支撑,预测的合理性和可行度更高,同时具备更高的分析效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其它的实施例。
图1是本发明网络通信质量评估系统一种具体实施例的系统结构框图;
图2是本发明网络通信质量评估方法一种具体实施例的程序流程图;
图3是本发明网络通信质量评估方法一种具体实施例的详细流程原理图;
图中:1-数据校验模块,2-数据预处理模块,3-评估指标计算模块,4-通信设备健康度预测模块。
具体实施方式
为了引用和清楚起见,将下文中使用的技术名词、简写或缩写记载如下:
VCM:Vehicle Control Module,车辆控制模块的简称。
GPS:Global Positioning System(全球定位系统)的简称。
滑动窗口:滑动窗口协议是用来改善吞吐量的一种技术,即容许发送方在接收任何应答之前传送附加的包。接收方告诉发送方在某一时刻能送多少包(称窗口尺寸)。TCP(Transmission Control Protocol,传输控制协议的简称)中采用滑动窗口来进行传输控制,滑动窗口的大小意味着接收方还有多大的缓冲区可以用于接收数据。发送方可以通过滑动窗口的大小来确定应该发送多少字节的数据。滑动窗口协议的基本原理就是在任意时刻,发送方都维持了一个连续的允许发送的帧的序号,称为发送窗口。同时,接收方也维持了一个连续的允许接收的帧的序号,称为接收窗口。
方差分析(Analysis of Variance,简称ANOVA):又称为“变异数分析”,是R.A.Fisher发明的,用于两个及两个以上样本均数差别的显著性检验。
XGBoost算法:XGBoost是2014年2月诞生的专注于梯度提升算法的机器学习函数库,此函数库因其优良的学习效果以及高效的训练速度而获得广泛的关注。XGBoost实现的是一种通用的Tree Boosting算法,此算法的一个代表为梯度提升决策树(GradientBoosting Decision Tree,GBDT),又名MART(Multiple Additive Regression Tree)。GBDT的原理是,首先使用训练集和样本真值(即标准答案)训练一棵树,然后使用这棵树预测训练集,得到每个样本的预测值,由于预测值与真值存在偏差,所以二者相减可以得到“残差”。接下来训练第二棵树,此时不再使用真值,而是使用残差作为标准答案。两棵树训练完成后,可以再次得到每个样本的残差,然后进一步训练第三棵树,以此类推。树的总棵数可以人为指定,也可以监控某些指标(例如验证集上的误差)来停止训练。在预测新样本时,每棵树都会有一个输出值,将这些输出值相加,即得到样本最终的预测值。XGBoost在此基础上做了改进:一是损失函数从平方损失推广到二阶可导的损失;二是加入了正则化项。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如附图1至附图3所示,给出了本发明网络通信质量评估系统及方法的具体实施例,下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
如附图1所示,一种网络通信质量评估系统的实施例,具体包括:
数据校验模块1,对列车网络通信数据的有效性与准确性进行校验处理;如:随着持续运行时间的增加,通信的总帧数也应该随之增加且总帧数大于0;
数据预处理模块2,对经过数据校验模块1校验处理的列车网络通信数据进行空值或错误值去除处理;若列车网络通信数据记录中存在空值或者错误值,则剔除当前的数据记录;
评估指标计算模块3,根据数据预处理模块2处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以生成网络通信质量评估指标数据;
通信设备健康度预测模块4,获取所述评估指标计算模块3计算的前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备的状态。
当列车网络通信质量较差的时候,错帧率和漏帧率会随之增加。当列车网络通信线路发生故障时,会发生切VCM动作,而通信故障次数越多,则说明相应通信设备的故障概率越大。因此,本实施例通过计算列车运行过程中包括网络通信的故障次数、切VCM次数、错帧率和漏帧率等在内的指标来评估列车网络通信质量。具体来说,评估指标计算模块3计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率,并根据列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率计算网络通信质量值。根据故障时刻的网络通信质量值计算网络通信质量指标阈值,根据网络通信质量值,及网络通信质量指标阈值进行网络通信质量评估。当网络通信质量值大于网络通信质量指标阈值时,认为当前网络通信质量良好。当网络通信质量值小于或等于网络通信质量指标阈值时,认为当前网络通信质量差,影响列车网络正常通信。
通信设备健康度预测模块4将网络通信质量值与网络通信质量指标阈值进行比较,当网络通信质量值大于网络通信质量指标阈值时,计算下一时刻的网络通信质量值。当网络通信质量值小于或等于网络通信质量值时,利用训练好的故障预测模型预测是否有网络通信设备故障发生,并将预测的网络通信设备故障信息反馈至地面调度中心,当列车入库后安排列车的检修行程。
通信设备健康度预测模块4根据网络通信设备故障信息表确定各列车的网络通信设备故障分布情况,并依据故障对列车安全运行的影响程度确定故障等级。根据网络通信设备历史故障信息中提供的车型、车号、故障时间对相应列车运行数据进行标注,确定数据标签。以时间长度,重叠率为(如:一个窗口的时间长度为1min,重叠率为50%,则第一个窗口和第二个窗口有30s是重复的)的方式进行滑窗处理,计算窗口内的网络通信质量评估指标数据的故障次数、平均错帧率、平均漏帧率、平均切VCM次数,并结合网络通信设备使用年限、列车运行路径、运行区间地貌、车外温度、湿度进行相关性分析,确定网络通信质量的相关影响因子。基于确定的影响因子,利用深度学习算法XGBoost建立列车运行状态数据分类器,并记录网络通信设备的故障时间和故障类型。
评估指标计算模块3进一步分别根据以下公式计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率:
其中,为故障次数,为错帧率,为平均错帧率,为漏帧率,为平均漏帧率,为平均切VCM次数,时间序列{}表示时刻的故障,为故障类型,时间序列{}表示某列车时刻的总帧数,时间序列{}表示列车时刻的错帧数,时间序列{}表示列车时刻的发送帧数,时间序列{}表示列车时刻的接受帧数,时间序列{}表示列车时刻的漏帧率,时间序列{}表示列车时刻的切VCM次数,为故障的种类,为历史数据覆盖的时间范围。
当故障次数、错帧率、漏帧率以及平均切VCM次数越高时,说明网络通信质量越差。
本发明实施例1描述的列车网络通信质量评估系统包括两个部分的功能:数据处理和通信质量评估。数据处理部分针对数据的有效性、准确性和数据缺失或者错误值等进行验证和初步处理,为后续的数据分析和故障预测提供较好的数据基础。网络通信质量评估则包括评估指标计算以及通信设备健康度预测两部分。首先,通过计算网络通信过程中的质量评估指标,得到当前网络的整体通信质量情况。然后,基于这些指标和运行数据,利用数据挖掘算法对网络通信设备的健康状态进行预测。本发明实施例具体针对轨道交通领域的列车产品故障诊断、预警进行技术方案的介绍。具体来说,本实施例是基于一系列列车产品网络通信的质量评估指标的变化趋势和幅度来预测网络通信产品的故障时间,可为列车决策提供一定的数据支撑。同时,本发明具体实施例利用列车通信设备数据,实时地对网络通信质量进行评估并基于评估指标对通讯部件的状态进行预测,从而为列车之间通信质量提供了数据支撑,为现场人员决策提供了有力的辅助。
实施例2
如附图2和附图3所示,一种网络通信质量评估方法的实施例,具体包括以下步骤:
S10)对列车网络通信数据的有效性与准确性进行校验处理;
S20)对经过校验处理的列车网络通信数据进行空值或错误值去除处理;
S30)根据经过空值或错误值去除处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以评估网络通信质量;
S40)根据前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息(如:运行区间地貌、列车运行路径GPS信息等),预估网络通信设备的状态。
步骤S30)进一步包括以下过程:
S31)计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率;
步骤S40)进一步包括以下过程:
S41)将步骤S32)计算的网络通信质量值与步骤S33)计算的网络通信质量指标阈值进行比较;当网络通信质量值大于网络通信质量指标阈值时,计算下一时刻的网络通信质量值;当网络通信质量值小于或等于网络通信质量值时,进入步骤S42);
S42)利用训练好的故障预测模型预测是否有网络通信设备故障发生;
S43)将步骤S42)预测的网络通信设备故障信息反馈至地面调度中心,当列车入库后安排列车的检修行程。
步骤S42)进一步包括以下过程:
S421)根据网络通信设备故障信息表确定各列车的网络通信设备故障分布情况,并依据故障对列车安全运行的影响程度确定故障等级;
如:假设列车发生的故障记录为{},其中为时间,为故障类型。首先统计各故障类型的次数,并记为{};然后根据业务知识并结合故障次数对其进行排序分类:对发生频繁且对列车安全运行影响程度深的故障标为I类故障,对发生不频繁但对列车安全运行影响程度较深的故障标为II类故障,对列车安全运行影响程度不深的标为III类故障;
S422)根据网络通信设备历史故障信息中提供的车型、车号、故障时间对相应列车运行数据进行标注,确定数据标签;
如:根据列车运行中的历史故障信息记录,得到故障时间、故障列车所属车型及车号。以“故障时间+车型+车号”的形式,与列车运行状态数据进行关联。基于故障信息,将数据标注为I类、II类、III类以及正常四大类样本,并记为F_I、F_II、F_III、Normal;
S423)以时间长度,重叠率为的方式进行滑窗处理,计算窗口内的网络通信质量评估指标数据的故障次数、平均错帧率、平均漏帧率、平均切VCM次数,并结合网络通信设备使用年限、列车运行路径、运行区间地貌、车外温度、湿度进行相关性分析,确定网络通信质量的相关影响因子;
如:基于列车运行数据,依据故障等级I、II、III类的故障样本与正常样本分别进行相关性分析。以故障等级I为例:
首先,将样本数据分为两大类:一是故障I类,记为1;二是正常样本,记为0;
其次,根据数据的具体表现情况以及专家经验,确定样本滑窗的时间窗长度为,重叠率(此处的和分别特指针对于I类故障进行滑窗处理的时间窗长度和重叠率,而上述和则分别泛指针对所有故障类型进行滑窗处理的时间窗长度和重叠率);
最后,以样本标签为因变量,故障数、平均错帧率、平均漏帧率、平均切VCM次数,以及平均车外温度与湿度等作为自变量,进行多因素显著性分析—方差分析;在0.05水平下,当显著性P值低于0.05,说明该因素与I类故障显著相关,是导致列车发生I类故障的重要影响因子;P值大于0.05,说明该因素对故障I类没有明显影响;
S424)基于步骤S423)求得的影响因子,利用深度学习算法XGBoost建立列车运行状态数据分类器;
S425)按照步骤S423)~S424)为II类故障和III类故障建立分类器;
S426)根据步骤S424)~S425)中的结果进行汇总,并记录网络通信设备的故障时间和故障类型。
步骤S31)中列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率分别进一步根据以下公式计算:
其中,为故障次数,为错帧率,为平均错帧率,为漏帧率,为平均漏帧率,为平均切VCM次数,时间序列{}表示时刻的故障,为故障类型,时间序列{}表示某列车时刻的总帧数,时间序列{}表示列车时刻的错帧数,时间序列{}表示列车时刻的发送帧数,时间序列{}表示列车时刻的接受帧数,时间序列{}表示列车时刻的漏帧率,时间序列{}表示列车时刻的切VCM次数,为故障的种类,为历史数据覆盖的时间范围。
步骤S33)进一步包括以下过程:
步骤S34)进一步包括过程:
需要特别说明的是,在本发明实施例描述的技术方案中,具体采用平均值方式衡量指标变化情况,也可以用中位数、方差等方法替代处理,完成网络通信质量指标评估。此外,本发明实施例中用于确定网络通信质量相关影响因子的多因素差异性分析方法也可以采用随机森林等方法替代处理,同时故障预测模型的训练和故障预测方法也可以采用随机森林、梯度决策树等其它机器学习方法进行替代处理。
通过实施本发明具体实施例描述的网络通信质量评估系统及方法的技术方案,能够产生如下技术效果:
(1)本发明具体实施例描述的网络通信质量评估系统及方法,引入网络通信质量评估指标的计算方式,通过大量数据验证,从故障次数、切VCM次数、错帧率、漏帧率等维度来度量网络通信质量情况,能够很好地对列车网络通信状态进行预测,因此能提前预测网络通信状态及时更换故障部件,极大程度地提高了产品的安全性,同时提高了维护效率,降低了维护成本;
(2)本发明具体实施例描述的网络通信质量评估系统及方法,引入加权求和计算来评估网络整体质量,同时引入网络通信质量评估指标来对网络通信质量进行衡量和判别并通过比较产品实际运行过程中网络通信质量指标与阈值的差值,确定当前时刻网络质量的优劣,进一步提高了列车网络通信状态预测的准确性;
(3)本发明具体实施例描述的网络通信质量评估系统及方法,利用滑窗的方式来计算网络通信指标,从而避免历史信息与当前信息之间相关性的丢失,最大限度地保证了时间序列信息的完整性;
(4)本发明具体实施例描述的网络通信质量评估系统及方法,利用深度学习方法XGBoost来进行分类预测,实现了智能化、自动化故障预测,与传统的通过个人经验和业务知识积累来确定部件的健康度或者故障发生后才获知部件健康度的技术方案相比,本发明以产品实际运行过程的数据作为支撑,预测的合理性和可行度更高,同时具备更高的分析效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明的精神实质和技术方案的情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围。
Claims (11)
1.一种列车网络通信质量评估系统,其特征在于,包括:
数据校验模块(1),对列车网络通信数据的有效性与准确性进行校验处理;
数据预处理模块(2),对经过所述数据校验模块(1)校验处理的列车网络通信数据进行空值或错误值去除处理;
评估指标计算模块(3),根据所述数据预处理模块(2)处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以生成网络通信质量评估指标数据;
通信设备健康度预测模块(4),获取所述评估指标计算模块(3)计算的前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备的状态;
7.一种列车网络通信质量评估方法,其特征在于,包括以下步骤:
S10)对列车网络通信数据的有效性与准确性进行校验处理;
S20)对经过校验处理的列车网络通信数据进行空值或错误值去除处理;
S30)根据经过空值或错误值去除处理后的列车网络通信数据计算列车网络通信的故障次数、切VCM次数、错帧率和漏帧率,以评估网络通信质量;
所述步骤S30)进一步包括以下过程:
S31)计算列车网络通信的故障次数、平均切VCM次数、平均错帧率、平均漏帧率;
S40)根据前一时间段列车运行过程中的网络通信质量评估指标数据变化趋势及路况信息,预估网络通信设备的状态;
所述步骤S40)进一步包括以下过程:
S41)将步骤S32)计算的网络通信质量值与步骤S33)计算的网络通信质量指标阈值进行比较;当网络通信质量值大于网络通信质量指标阈值时,计算下一时刻的网络通信质量值;当网络通信质量值小于或等于网络通信质量值时,进入步骤S42);
S42)利用训练好的故障预测模型预测是否有网络通信设备故障发生;
S43)将步骤S42)预测的网络通信设备故障信息反馈至地面调度中心,当列车入库后安排列车的检修行程;
所述步骤S42)进一步包括以下过程:
S421)根据网络通信设备故障信息表确定各列车的网络通信设备故障分布情况,并依据故障对列车安全运行的影响程度确定故障等级;
S422)根据网络通信设备历史故障信息中提供的车型、车号、故障时间对相应列车运行数据进行标注,确定数据标签;
S423)以时间长度,重叠率为的方式进行滑窗处理,计算窗口内的网络通信质量评估指标数据的故障次数、平均错帧率、平均漏帧率、平均切VCM次数,并结合网络通信设备使用年限、列车运行路径、运行区间地貌、车外温度、湿度进行相关性分析,确定网络通信质量的相关影响因子;
S425)按照步骤S423)~S424)为II类故障和III类故障建立分类器;
S426)根据步骤S424)~S425)中的结果进行汇总,并记录网络通信设备的故障时间和故障类型;
对发生频繁且对列车安全运行影响程度深的故障标为I类故障,对发生不频繁但对列车安全运行影响程度较深的故障标为II类故障,对列车安全运行影响程度不深的标为III类故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811236746.7A CN109412892B (zh) | 2018-10-23 | 2018-10-23 | 一种网络通信质量评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811236746.7A CN109412892B (zh) | 2018-10-23 | 2018-10-23 | 一种网络通信质量评估系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109412892A CN109412892A (zh) | 2019-03-01 |
CN109412892B true CN109412892B (zh) | 2022-03-01 |
Family
ID=65468346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811236746.7A Active CN109412892B (zh) | 2018-10-23 | 2018-10-23 | 一种网络通信质量评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109412892B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212434B (zh) * | 2019-12-31 | 2023-06-13 | 宁波奥克斯电气股份有限公司 | 一种wifi模组质量预测方法、装置、设备及存储介质 |
CN113139146B (zh) * | 2020-01-17 | 2023-07-21 | 中国移动通信集团浙江有限公司 | 网站质量评估方法、装置及计算设备 |
CN112600740B (zh) * | 2021-01-08 | 2022-06-07 | 重庆长安汽车股份有限公司 | 一种车联网can数据上传漏帧率的自动检测方法 |
CN113033913B (zh) * | 2021-04-16 | 2024-03-19 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196030A (zh) * | 2010-03-11 | 2011-09-21 | 通用汽车环球科技运作有限责任公司 | 自适应场景绘制v2x视频/图像共享 |
US8488484B2 (en) * | 2010-09-23 | 2013-07-16 | Intel Corporation | Power saving system, method and apparatus for a wireless device |
CN103500364A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 电能质量稳态指标预测方法和系统 |
CN103731854A (zh) * | 2012-10-10 | 2014-04-16 | 华为技术有限公司 | 基于自组网son的网络状态划分方法、装置和网络系统 |
CN104464304A (zh) * | 2014-12-25 | 2015-03-25 | 北京航空航天大学 | 一种基于路网特性的城市道路车辆行驶速度预测方法 |
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和系统以及报警方法和系统 |
CN104935446A (zh) * | 2014-03-17 | 2015-09-23 | 华为技术有限公司 | 基于可信度挖掘的网络质量评估方法及装置 |
CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
CN106407589A (zh) * | 2016-09-29 | 2017-02-15 | 北京岳能科技股份有限公司 | 一种风机状态评估与预测方法及系统 |
CN106851714A (zh) * | 2017-01-05 | 2017-06-13 | 中国铁道科学研究院通信信号研究所 | 一种基于自学习模式的车地无线通信质量评估方法 |
CN107026746A (zh) * | 2016-01-30 | 2017-08-08 | 华为技术有限公司 | 网络业务质量评估方法、系统及网络设备 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108632104A (zh) * | 2017-03-20 | 2018-10-09 | 上海中兴软件有限责任公司 | 一种网络质量评估工具的指标权重验证方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010111261A1 (en) * | 2009-03-23 | 2010-09-30 | Azuki Systems, Inc. | Method and system for efficient streaming video dynamic rate adaptation |
-
2018
- 2018-10-23 CN CN201811236746.7A patent/CN109412892B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196030A (zh) * | 2010-03-11 | 2011-09-21 | 通用汽车环球科技运作有限责任公司 | 自适应场景绘制v2x视频/图像共享 |
US8488484B2 (en) * | 2010-09-23 | 2013-07-16 | Intel Corporation | Power saving system, method and apparatus for a wireless device |
CN103731854A (zh) * | 2012-10-10 | 2014-04-16 | 华为技术有限公司 | 基于自组网son的网络状态划分方法、装置和网络系统 |
CN103500364A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 电能质量稳态指标预测方法和系统 |
CN104899405A (zh) * | 2014-03-04 | 2015-09-09 | 携程计算机技术(上海)有限公司 | 数据预测方法和系统以及报警方法和系统 |
CN104935446A (zh) * | 2014-03-17 | 2015-09-23 | 华为技术有限公司 | 基于可信度挖掘的网络质量评估方法及装置 |
CN104464304A (zh) * | 2014-12-25 | 2015-03-25 | 北京航空航天大学 | 一种基于路网特性的城市道路车辆行驶速度预测方法 |
CN107026746A (zh) * | 2016-01-30 | 2017-08-08 | 华为技术有限公司 | 网络业务质量评估方法、系统及网络设备 |
CN106209432A (zh) * | 2016-06-30 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
CN106407589A (zh) * | 2016-09-29 | 2017-02-15 | 北京岳能科技股份有限公司 | 一种风机状态评估与预测方法及系统 |
CN106851714A (zh) * | 2017-01-05 | 2017-06-13 | 中国铁道科学研究院通信信号研究所 | 一种基于自学习模式的车地无线通信质量评估方法 |
CN108632104A (zh) * | 2017-03-20 | 2018-10-09 | 上海中兴软件有限责任公司 | 一种网络质量评估工具的指标权重验证方法及装置 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
Non-Patent Citations (2)
Title |
---|
"History-based throughput prediction with Hidden Markov Model in mobile networks";Bo Wei,;《2016 IEEE International Conference on Multimedia & Expo Workshops (ICMEW)》;20160926;全文 * |
"无线传感网络在列车监控系统中的应用研究";胡冬冬,;《中国优秀硕士学位论文全文数据库-信息科技辑》;20101215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109412892A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109412892B (zh) | 一种网络通信质量评估系统及方法 | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
EP3575960B1 (en) | System upgrade assessment method based on system parameter correlation coefficients | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN106650157A (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
CN113473514B (zh) | 电力无线专网故障诊断模型训练方法、诊断方法及装置 | |
CN107809766B (zh) | 一种用于网络优化的机器学习样本的生成方法及装置 | |
CN102622883B (zh) | 判定交通事件解除的方法及装置 | |
CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
CN112417766A (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN109747680A (zh) | 列车牵引系统的状态评估与故障预警方法、装置、设备 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN110060370B (zh) | 车辆急加速急减速次数等效统计方法 | |
CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
CN111695735A (zh) | 一种基于流计算的铁路弓网实时预警方法、系统及装置 | |
CN110809280B (zh) | 一种铁路无线网络质量的检测预警方法及装置 | |
CN101789091A (zh) | 视频清晰度自动识别系统及其方法 | |
CN109625025B (zh) | Btm设备预警系统 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN114422379B (zh) | 一种多平台设备无线组网的分析方法 | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
CN115508706A (zh) | 一种考虑容量再生现象的锂电池剩余寿命预测方法 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN114248818A (zh) | 一种基于轨道交通的智能化信息化运输监管方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |